Erstellen virtueller Fahrzeugmodelle für groß angelegte, Cloud-basierte Simulationen

Automobilunternehmen aller Branchen verlassen sich zunehmend auf virtuelle Entwicklungsmethoden, die Fahrzeugmodelle verwenden, um virtuelles Prototyping, Validierung und Integration zu ermöglichen. Dieser Ansatz bietet erhebliche Vorteile – sowohl hinsichtlich der Kosteneinsparungen als auch der Verkürzung der Entwicklungszeit –, da physische Prototypen nur zur endgültigen Validierung verwendet werden.

Allerdings stellen Entwicklungsteams fest, dass einige Hürden überwunden werden müssen, bevor die Vorteile der virtuellen Entwicklung genutzt werden können. Zunächst müssen die Teams virtuelle Fahrzeugmodelle mit dem richtigen Genauigkeitsgrad erstellen. Das heißt, das Modell muss ausreichend detailliert sein, um die relevanten Effekte zu erfassen, darf jedoch nicht so detailliert sein, dass die Simulationszeiten unerschwinglich werden. Als nächstes müssen sie physikalische Anlagenmodelle und Softwaremodelle integrieren. Die Entwicklungsteams müssen außerdem Fahrszenarien einbeziehen, die das Closed-Loop-Modell trainieren und Simulationsergebnisse visualisieren, um nützliche Erkenntnisse zu gewinnen. In vielen Fällen benötigen sie auch eine Möglichkeit, Simulationen im großen Maßstab durchzuführen, um Studien von Design-Alternativen oder Optimierungen zu unterstützen.

In diesem Artikel beschreiben wir einen Arbeitsablauf, der alle diese Schlüsselbereiche berücksichtigt. Der Workflow umfasst das Erstellen eines Modells mit der Virtual Vehicle Composer App sowie dieses Modell anzupassen, damit Simulationen auf dem Desktop auszuführen und es dann in der Cloud für groß angelegte Studien bereitzustellen (Abbildung 1). Viele MathWorks Kunden verwenden diesen oder einen ähnlichen Workflow bereits, um die Simulationszeit zu verkürzen, Cloud-basierte Simulationen zu vereinfachen und eine wachsende Zahl von Anwendungsfällen für die virtuelle Fahrzeugmodellierung zu unterstützen.

Generieren und Anpassen eines virtuellen Fahrzeugmodells

Ein Fahrzeugmodell von Grund auf zu erstellen, ist keine triviale Aufgabe. Es ist äußerst hilfreich, mit einem Referenzmodell zu beginnen, bevor es an die Anforderungen eines bestimmten Projekts angepasst wird. Das ist einer der Gründe, warum MathWorks seit mehreren Jahren vorgefertigte Fahrzeug-Referenzanwendungen für unterschiedlichste Fahrzeugtests und Manöver liefert. In R2022a hat MathWorks den Virtual Vehicle Composer in Powertrain Blockset™ und Vehicle Dynamics Blockset™ freigegeben. Diese App macht es für Entwicklungsteams noch einfacher, über eine intuitive Benutzeroberfläche virtuelle Fahrzeuge für Leistungstests und Analysen zu konfigurieren und zu bauen. Bei der Verwendung der App wählen die Ingenieure zunächst einen Antriebsstrang für das Fahrzeug aus (zum Beispiel einen Elektrofahrzeug-Antriebsstrang mit zwei Motoren). Sie geben entweder ein reines Längsmodell oder ein Modell an, das auch die Querdynamik berücksichtigt, und konfigurieren wichtige Parameter wie Fahrzeugmasse, Reifengröße, maximales Motordrehmoment usw. Anschließend können Sie aus einer Reihe von Fahrzyklen und Manövern auswählen, welche Testfälle ausgeführt werden sollen, und auch, welche Signale während der Simulationen protokolliert werden sollen. Nachdem diese Konfigurationsoptionen ausgewählt sind, wird mit einem einzigen Klick ein simulationsbereites Simulink^®-Modell generiert (Abbildung 2).

Mit der App „Virtual Vehicle Composer“ können Teams innerhalb von Minuten komplette Modelle konfigurieren und generieren. Noch wichtiger ist jedoch, dass das resultierende Modell vollständig anpassbar ist, sodass Teams es mit neuen Funktionen für Anlagen-, Regler- oder Sensormodelle oder mit zusätzlichen Funktionen erweitern können, die in C oder MATLAB^® geschrieben sind.

Um diesen Teil des Arbeitsablaufs zu veranschaulichen, haben wir einen Anwendungsfall implementiert, bei dem wir eine Version eines mit dem Virtual Vehicle Composer generierten EV-Modells angepasst und es dann verwendet haben, um die Leistung eines autonomen Notbremssystems (AEB) zu untersuchen.

Das von uns erstellte EV-Modell enthielt nicht die Sensoren, Steueralgorithmen und Testszenarien, die für die Durchführung von AEB-Tests erforderlich sind. Daher haben wir diese Komponenten aus einem Beispielmodell der Automated Driving Toolbox™ integriert. An diesem Punkt mussten wir nur noch die benötigten AEB-Komponenten per Drag-and-Drop verschieben, die notwendigen Signale so verbinden, dass sie in das Framework des Modells passten, und die Fahrzeugparameter und Controller-Kalibrierungsdaten aus dem AEB-Beispielmodell kopieren. Das resultierende Closed-Loop-Modell, das sowohl die EV-Anlage als auch den AEB-Controller umfasst, bestand aus fast 33.000 Blöcken (Abbildung 3).

Durchführen von Desktop-Simulationen

Sobald ein vollständiges Systemmodell zusammengestellt und konfiguriert ist, besteht der nächste Schritt im Arbeitsablauf darin, Simulationen auf dem Desktop durchzuführen. In unserem Beispielanwendungsfall bestand das Ziel darin, herauszufinden, wie gut der AEB-Steuerungsalgorithmus für das von uns modellierte Elektrofahrzeug funktionierte. Wir wollten beispielsweise wissen, ob der Controller das Auto in verschiedenen Szenarien und bei unterschiedlichen Fahrzeuggewichten sicher und ohne Kollisionen zum Stehen bringt. Darüber hinaus wollten wir wichtige Steuerparameter auswerten, wie etwa die anfänglichen Einsatz der Bremskraft (Bremsdruck) und den genauen Moment, in dem die Bremsen vollständig betätigt wurden (Abbildung 4). Desktop-Simulationen bieten eine Möglichkeit, das Modell zu validieren, die Testkonfiguration auszuwerten und Automatisierungsskripte mit einer begrenzten Anzahl von Testläufen zu überprüfen, bevor eine umfassendere Studie durchgeführt wird.

Zur Entwicklung synthetischer Fahrszenarien für Tests verwendeten wir die interaktive App Driving Scenario Designer aus der Automated Driving Toolbox, die auch mehrere Anwendungsbeispiele für AEB und Kollisionsvermeidung enthält. Für jedes Szenario gab es ein einfaches Kriterium zum Bestehen/Nichtbestehen: Wenn das Ego-Fahrzeug anhielt, bevor es mit dem Fahrzeug, Fußgänger oder Hindernis auf seinem Weg kollidierte, war der Test bestanden (Abbildung 5).

Wir wollten mehrere Testfälle ausführen und entschieden uns daher, die Testausführung zu automatisieren, was über ein MATLAB-Skript oder Simulink Test™ erfolgen kann. Für die erste Runde der Desktop-Simulationen haben wir beschlossen, 16 verschiedene Tests durchzuführen und dabei sowohl in der Anlage und im Steueralgorithmus als auch im Testszenario Parameter wie die Fahrzeuggeschwindigkeit zu variieren, um das System unter verschiedensten Bedingungen zu testen. Auf einem einzelnen Verarbeitungskern dauerte dieser 16 Durchläufe umfassende Sweep etwa 23 Minuten. Um die Simulationszeiten zu verkürzen, haben wir die Parallel Computing Toolbox™ verwendet, um dieselben Tests parallel auf vier Kernen auszuführen. Dadurch wurde die Simulationszeit auf knapp über 7 Minuten reduziert. Doch selbst bei diesem schnelleren Tempo würde es Tage dauern, die von uns geplante vollfaktorielle Studie mit Tausenden von Simulationen abzuschließen. Für solche groß angelegten Studien eignet sich die Cloud gut. Indem wir diesen kleinen Parameter-Sweep zunächst auf dem Desktop durchführten, konnten wir bestätigen, dass unsere Automatisierungsskripte zum Ausführen der Simulationen und Überprüfen des Bestehens/Nichtbestehenskriteriums wie vorgesehen funktionierten. Dies wiederum gab uns die Zuversicht, die Studie auf eine viel breitere Kombination von Testbedingungen in der Cloud auszuweiten.

Durchführung umfangreicher Simulationsstudien in der Cloud

Es gibt viele Gründe, Simulationen in der Cloud auszuführen. Eine häufige Motivation besteht in der Skalierung, um größere Rechenressourcen auszunutzen. Ingenieure möchten Rechenaufgaben vielleicht einfach von ihrer Hauptworkstation auslagern, oder Teams möchten bei Bedarf auf spezielle Rechenhardware zugreifen, die nur gelegentlich benötigt wird.

Wenn Sie in MATLAB arbeiten, ist der Übergang vom Desktop zur Cloud unkompliziert; es ist nicht erforderlich, Skripte oder Algorithmen neu zu schreiben. MathWorks bietet Referenzarchitekturen zum Ausführen von MATLAB und Simulink auf virtuellen Maschinen (VMs) in der Cloud sowie vorgefertigte Container, die in der Cloud bereitgestellt werden können.

Für unsere Studie verwendeten wir die Referenzarchitektur für den Betrieb von MATLAB Parallel Server™ auf Amazon^® Web Services. Diese Referenzarchitektur ist auf GitHub^® verfügbar und erleichtert den Start von VM-Instanzen von Windows^® oder Linux^® basierend auf den neuesten vorgefertigten MathWorks^® Amazon Machine Images (AMIs) – auch für Teams mit wenig oder keiner Cloud-Erfahrung. Nachdem die Instanz gestartet war, stellten wir über einen Remote-Desktop eine Verbindung zu ihr her, luden unsere Test-Setup-Dateien hoch und waren dann bereit, mit der Ausführung von Tests auf einem Linux-VM-Cluster mit vier 32-Core-Maschinen zu beginnen.

Wir haben eine vollständige faktorielle Studie durchgeführt, die 28 Szenarien, 16 Werte für einen Anlagenmodellparameter und jeweils fünf Werte für zwei Kontrollparameter umfasste. Das Ergebnis war eine Testsuite mit 11.200 Simulationen. In der Cloud waren die Testläufe in rund 90 Minuten abgeschlossen, auf einer Vierkern-Workstation hätte die gleiche Studie hingegen rund zwei Tage gedauert.

Bei der Überprüfung der Ergebnisse dieser Studie konnten wir bestätigen, dass der AEB-Controller in allen Tests angemessen robust war. Uns sind einige Fehlerfälle aufgefallen, bei denen das virtuelle Fahrzeug nicht rechtzeitig anhielt (Abbildung 6). In einem typischen Workflow würden diese Fälle auf dem Desktop detaillierter untersucht. Dort würden die Ingenieure die Ergebnisse in MATLAB und Simulink analysieren, um die Grundursache des Fehlers zu ermitteln und zu entscheiden, wie das Problem zu beheben ist (beispielsweise durch Feinabstimmung der Reglerparameter). Falls nötig würden sie das Modell für einen nachfolgenden Testlauf in der Cloud aktualisieren. Umfangreiche Simulationsstudien mit virtuellen Fahrzeugmodellen erleichtern die Identifizierung dieser potenziellen Fehlerfälle und ermöglichen es den Entwicklungsteams, sich bereits in einem frühen Stadium des Konstruktionsprozesses auf potenziell kritische Probleme zu konzentrieren.

Fazit

Da die virtuelle Fahrzeugentwicklung im gesamten Arbeitsablauf in der Automobilindustrie eine immer größere Rolle spielt, müssen die Entwicklungsteams Möglichkeiten finden, um mit den ständig steigenden Anforderungen an die Simulation Schritt zu halten. Der Virtual Vehicle Composer verschafft Teams in diesem Bereich einen erheblichen Produktivitätsvorteil, indem er ihnen die schnelle Konfiguration geeigneter Fahrzeugmodelle ermöglicht. Da es sich bei diesen Modellen nicht um Blackboxes handelt, haben Ingenieure die Flexibilität, sie in Simulink rasch zu erweitern und an die spezifischen Anforderungen ihres Projekts anzupassen. Darüber hinaus können die Teams dann weiterhin MATLAB und Simulink zusammen mit Cloud Computing verwenden, um Simulationsstudien im großen Maßstab zu automatisieren und ihre Systeme unter unterschiedlichsten Bedingungen zu analysieren, potenzielle Probleme zu identifizieren, Designkompromisse abzuwägen und Optimierungen durchzuführen.